El método de aprendizaje por transferencia se utiliza para extender nuestro modelo existente a escenarios más difíciles, acelerando así el proceso de entrenamiento y mejorando el rendimiento del aprendizaje. El método de adaptación de dominio adversarial condicional propuesto en 2018 es un tipo particular de aprendizaje por transferencia. Utiliza el discriminador de dominio para identificar a qué imágenes pertenecen las características extraídas. Las características se obtienen de la red de extracción de características. La estabilidad del discriminador de dominio afecta directamente la precisión de clasificación. Aquí, proponemos un nuevo algoritmo para mejorar la precisión predictiva. Primero, introducimos la condición de restricción de Lipschitz en la adaptación de dominio. Si se puede satisfacer la condición de restricción, el método será estable. En segundo lugar, analizamos cómo hacer que el gradiente satisfaga la condición, deduciendo así el gradiente modificado a través del método de regularización espectral. El gradiente modificado se utiliza luego para actualizar la matriz de parámetros. El método propuesto se compara con los métodos ResNet-50, red de adaptación profunda, red neuronal adversarial de dominio, red de adaptación conjunta y red adversarial de dominio condicional utilizando los conjuntos de datos que se encuentran en Office-31, ImageCLEF-DA y Office-Home. Las simulaciones demuestran que el método propuesto tiene un mejor rendimiento que otros métodos en cuanto a precisión.